Python之多线程爬虫抓取网页图片的示例代码

目标

嗯，我们知道搜索或浏览网站时会有很多精美、漂亮的图片。

我们下载的时候，得鼠标一个个下载，而且还翻页。

那么，有没有一种方法，可以使用非人工方式自动识别并下载图片。美美哒。

那么请使用python语言，构建一个抓取和下载网页图片的爬虫。

当然为了提高效率，我们同时采用多线程并行方式。

思路分析

Python有很多的第三方库，可以帮助我们实现各种各样的功能。问题在于，我们弄清楚我们需要什么：

1）http请求库，根据网站地址可以获取网页源代码。甚至可以下载图片写入磁盘。

2）解析网页源代码，识别图片连接地址。比如正则表达式，或者简易的第三方库。

3）支持构建多线程或线程池。

4）如果可能，需要伪造成浏览器，或绕过网站校验。（嗯，网站有可能会防着爬虫 ;-)）

5）如果可能，也需要自动创建目录，随机数、日期时间等相关内容。

如此，我们开始搞事情。O(∩_∩)O~

环境配置

操作系统：windows 或 linux 皆可

Python版本：Python3.6 ( not Python 2.x 哦)

第三方库

urllib.request

threading 或者 concurrent.futures 多线程或线程池（python3.2+）

re 正则表达式内置模块

os 操作系统内置模块

编码过程

我们分解一下过程。完整源代码在博文最终提供。

伪装为浏览器

import urllib.request

# ------ 伪装为浏览器 ---
def makeOpener(head={
 'Connection': 'Keep-Alive',
 'Accept': 'text/html, application/xhtml+xml, */*',
 'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
 'Connection': 'keep-alive',
 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0'
 }):
 cj = http.cookiejar.CookieJar()
 opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
 header = []
 for key, value in head.items():
   elem = (key, value)
   header.append(elem)
 opener.addheaders = header
 return opener

获取网页源代码

# ------ 获取网页源代码 ---
# url 网页链接地址
def getHtml(url):
 print('url='+url)
 oper = makeOpener()
 if oper is not None:
   page = oper.open(url)
   #print ('-----oper----')
 else:
   req=urllib.request.Request(url)
   # 爬虫伪装浏览器
   req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0')
   page = urllib.request.urlopen(req)
 html = page.read()
 if collectHtmlEnabled: #是否采集html
   with open('html.txt', 'wb') as f:
     f.write(html) # 采集到本地文件，来分析
 # ------ 修改html对象内的字符编码为UTF-8 ------
 if chardetSupport:
   cdt = chardet.detect(html)
   charset = cdt['encoding'] #用chardet进行内容分析
 else:
   charset = 'utf8'
 try:
   result = html.decode(charset)
 except:
   result = html.decode('gbk')
 return result

下载单个图片

# ------ 根据图片url下载图片 ------
# folderPath 定义图片存放的目录 imgUrl 一个图片的链接地址 index 索引，表示第几个图片
def downloadImg(folderPath, imgUrl, index):
 # ------ 异常处理 ------
 try:
   imgContent = (urllib.request.urlopen(imgUrl)).read()
 except urllib.error.URLError as e:
   if printLogEnabled : print ('【错误】当前图片无法下载')
   return False
 except urllib.error.HTTPError as e:
   if printLogEnabled : print ('【错误】当前图片下载异常')
   return False
 else:
   imgeNameFromUrl = os.path.basename(imgUrl)
   if printLogEnabled : print ('正在下载第'+str(index+1)+'张图片，图片地址:'+str(imgUrl))
   # ------ IO处理 ------
   isExists=os.path.exists(folderPath)
   if not isExists: # 目录不存在，则创建
      os.makedirs( folderPath )
      #print ('创建目录')
   # 图片名命名规则，随机字符串
   imgName = imgeNameFromUrl
   if len(imgeNameFromUrl) < 8:
     imgName = random_str(4) + random_str(1,'123456789') + random_str(2,'0123456789')+"_" + imgeNameFromUrl
   filename= folderPath + "\\"+str(imgName)+".jpg"
   try:
      with open(filename, 'wb') as f:
        f.write(imgContent) # 写入本地磁盘
      # if printLogEnabled : print ('下载完成第'+str(index+1)+'张图片')
   except :
     return False
   return True

下载一批图片（多线程/线程池模式皆支持）

# ------ 批量下载图片 ------
# folderPath 定义图片存放的目录 imgList 多个图片的链接地址
def downloadImgList(folderPath, imgList):
 index = 0
 # print ('poolSupport='+str(poolSupport))
 if not poolSupport:
  #print ('多线程模式')
  # ------ 多线程编程 ------
  threads = []
  for imgUrl in imgList:
    # if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')
    threads.append(threading.Thread(target=downloadImg,args=(folderPath,imgUrl,index,)))
    index += 1
  for t in threads:
    t.setDaemon(True)
    t.start()
  t.join() #父线程，等待所有线程结束
  if len(imgList) >0 : print ('下载结束，存放图片目录：' + str(folderPath))
 else:
  #print ('线程池模式')
   # ------ 线程池编程 ------
  futures = []
  # 创建一个最大可容纳N个task的线程池 thePoolSize 为 全局变量
  with concurrent.futures.ThreadPoolExecutor(max_workers=thePoolSize) as pool:
   for imgUrl in imgList:
    # if printLogEnabled : print ('准备下载第'+str(index+1)+'张图片')
    futures.append(pool.submit(downloadImg, folderPath, imgUrl, index))
    index += 1
   result = concurrent.futures.wait(futures, timeout=None, return_when='ALL_COMPLETED')
   suc = 0
   for f in result.done:
     if f.result(): suc +=1
   print('下载结束，总数：'+str(len(imgList))+'，成功数：'+str(suc)+'，存放图片目录：' + str(folderPath))

调用例子

如百度贴吧为例

# ------ 下载百度帖子内所有图片 ------
# folderPath 定义图片存放的目录 url 百度贴吧链接
def downloadImgFromBaidutieba(folderPath='tieba', url='https://tieba.baidu.com/p/5256331871'):
 html = getHtml(url)
 # ------ 利用正则表达式匹配网页内容找到图片地址 ------
 #reg = r'src="(.*?\.jpg)"'
 reg = r'src="(.*?/sign=.*?\.jpg)"'
 imgre = re.compile(reg);
 imgList = re.findall(imgre, html)
 print ('找到图片个数：' + str(len(imgList)))
 # 下载图片
 if len(imgList) >0 : downloadImgList(folderPath, imgList)

# 程序入口
if __name__ == '__main__':
 now = datetime.datetime.now().strftime('％Y-％m-％d ％H-％M-％S')
 # 下载百度帖子内所有图片
 downloadImgFromBaidutieba('tieba\\'+now, 'https://tieba.baidu.com/p/5256331871')

效果

完整源码请见

我的github：https://github.com/SvenAugustus/PicDownloader-example

来源：https://my.oschina.net/langxSpirit/blog/1603979